Subscriu-te a la newsletter diària de Popular Science per a saber de grans avanços, descobriments i consells DIY que s’envien sis dies a la setmana. El progrés dels models d'intel·ligència artificial (IA) sovint s’il·lustra amb la seva habilitat en els jocs. El 1997, IBM amb Deep Blue va sorprendre el món derrotant el campió mundial d’escacs Garry Kasparov, i gairebé dues dècades després, AlphaGo de Google va vèncer un campió humà en el joc de Go—una fita abans considerada impossible. Des de llavors, la IA ha avançat dels jocs de taula als videojocs, utilitzant l’aprenentatge per reforç, una tècnica també essencial per entrenar chatbots com ChatGPT, que permet a les màquines dominar jocs d'Atari i títols de estratègia complexa com Dota 2 i Starcraft II. Tanmateix, la IA encara té dificultats per aprendre ràpidament diferents jocs més obertament oberts—un àmbit on els humans excel·leixen. Quan es presenten a un joc desconegut, els joves jugadors humans assimilen ràpidament els conceptes bàsics, mentre que els models d'IA sovint fallen, com destaca un article recent del professor de ciències a la computació de la NYU Julian Togelius i els seus col·laboradors. Aquesta bretxa posa de manifest una diferència fonamental entre la intel·ligència humana i les capacitats actuals de la IA, evidenciant que la IA encara té un llarg camí per recórrer abans d’aconseguir o superar la intel·ligència humana. Els jocs han estat sempre un camp de proves ideal per a l’IA, degut a les seves regles predictibles, objectius definits i mecàniques que s’ajusten bé a l’aprenentatge per reforç: models que juguen de manera repetida en simulacions per millorar mitjançant prova i error. Aquest enfocament va permetre que DeepMind assolís la seva màxima amb els jocs d’Atari el 2015 i avui dia influeix en els grans models de llenguatge entrenats amb grans quantitats de dades d'internet. Tot i això, aquestes models excel·leixen només en tasques específiques amb límits clars; petits canvis en el disseny d’un joc poden afectar el rendiment de la IA. Encara que la IA pugui aconseguir habilitats sobrehumanes en un joc concret, té dificultats per improvisar. Aquesta limitació és més evident a mesura que els jocs moderns es corben en formes més obertament obertes i abstractes. A diferència dels escacs, jocs com “Red Dead Redemption” en món obert tenen objectius complexos relacionats amb interpretar un personatge amb conflictes morals, més que objectius senzills.

Els humans entenen aquestes nuances de manera intuïtiva; les màquines no. Fins i tot en jocs de sandbox més senzills com “Minecraft, ” la IA pot realitzar accions bàsiques com saltar sense comprendre el seu context. Els autors destaquen que els jocs ben dissenyats s’alineen estretament amb la intuïció, el sentit comú i l’experiència vital de les persones—que acumulen a través dels anys d’interacció amb el món real. Per exemple, els nadons aprenen a reconèixer objectes cap als 18 o 24 mesos simplement a través de l’experiència, mentre que les màquines necessiten una entrada dirigida molt més gran. Aquest avantatge experiencial permet als humans aprendre nous jocs més ràpidament. Investigações demostren que una IA d’aprenentatge per reforç impulsada per la curiositat pot necessitar al voltant de quatre milions de tocs de tecla—o unes 37 hores contínues—per completar un joc, mentre que els jugadors humans solen entendre noves mecàniques en menys de 10 hores. Tot i això, la IA avança en l'aprenentatge general de jocs. El 2023, Google DeepMind va presentar SIMA 2, un model que combina la IA existent amb capacitats de raonament del seu gran model de llenguatge Gemini, que permet una millor comprensió i interacció amb jocs en 3D—fins i tot aquells per als quals no s’ha entrenat específicament. Tot i això, Togelius i els seus col·laboradors advertixen que la IA encara ha de recórrer un llarg camí abans d’igualar l’adaptabilitat dels humans. Proposen un punt de referència on un model pugui jugar i guanyar en els 100 jocs més populars de Steam o de l’App Store d’iOS, sense cap entrenament previ en cap d’ells—i fer-ho al voltant del mateix temps que ho faria un humà. Aquesta és encara una tasca difícil que els mètodes actuals d’IA ni tan sols estan a punt d’abordar seriosament. Aconseguir aquest nivell de generalització requeriria que la IA demostri una autèntica creativitat, planificació avançada i pensament abstracte—qualitats que són pròpiament de la intel·ligència humana. En última instància, la prova real perquè la IA arribi a “nivell humà” pot no ser la creació de deepfakes o la redacció de novel·les superficials, sinó la seva capacitat per dominar una àmplia varietat de jocs diversos amb una velocitat d’aprenentatge i una comprensió similars a les humanes.